程序，使自己能够从烦琐的编程中解脱出来，减轻工程人员的负担，从而提高工作效率。神经网络预测的发展与研究现状世纪年代作为神经网络预测理论与应用迅速发展的时期，在理论方面的主要工作是线性化方法通过不同的线性化逼近，可以把非线性规律求解加以简化，以此提高计算速度。预测偏差补偿方法多步预测时，将会产生较大误差，采用神经网络进行补偿纠正。数值计算和解析相结合的方法。在年用于多步预测的神经网络得到了广泛地关注。自此，国内外学者进行了大量的研究在神经网络预测方面。等利用神经网络作为预测的模型，提出了种基于非线性预测的时间二尺度方案，在预测模型中使用多个采样周期的平均值形成多步预测，从而减少计算量等同样利用递归神经网络作为预测模型，提出了种多变量的带约束的预测方法，其优点是具有强非线性和能够处理系统变量约束陈强等提出种非线性系统间接预测方法，控制网络为多输入单输出，输出的量是准备计算的当前控制信号，各个输入量是对过程的多步预测序列与相应的设定值之差。进入世纪后，人们除继续研究基于非线性系统的神经网络建模与预测外，还针对些较为特殊且复杂的非线性系统，开展了些关于神经网络预测理论以及应用方面的新的研究。张兴会等提出了种非线性系统间接多步预测学习，采用网络对非线性系统进行建模，通过对广义预测控制目标函数的优化进行计算刘晓华等利用权值种权值可在线调整的动态网络对模型预测误差进行拟合，并对预测模型起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。吴爱国对非线性时滞系统采用了步超前预测模型的神经网络预测控制，首次实现了非线性时滞系统的神经网络预测的并联模型的算法，介绍了种新的正交神经网络，首次给出了多变量输入正交神经网络完备处理单元选择的通用公式。针对输入变量增多时，完备处理单元急剧增加的情况，提出了几种裁剪完备处理单元的选取方法，仿真实验验证了正交神经网络比网络收敛速度快训练时间短逼近能力好。沈阳理工大学学士学位论文课题设计路线及主要工作本文的主要工作是探讨基于和神经网络对空气质量指数的预测。本文共分为五大章。其中,第章为绪论，主要讲述课题的研究背景和意义，神经网络的发展和目前研究的现状以及对各章节的主要内容进行总结概括。第二章主要是对三种不同的神经网络作简要的介绍，分别为神经网络，神经网络以及模糊神经网络。在第二章里简单的讲述了三种神经网络的基本知识点，以便读者可以对神经网络有初步的了解，在后续章节中还会重点对神经网络和神经网络进行详细的介绍。第三章主要介绍了工具箱的些基础知识，为读者能更好的理解后续神经网络和神经网络的编程仿真提供帮助。第四章为本文的重点，主要是对神经网络进行详细的研究，包括神经网络的原理，算法，实现步骤，仿真实现以及对仿真结果的分析。第五章也是本文的重点，主要是对神经网络进行详细的研究，研究的主要内容和神经网络样，只不过在最后还要对和进行比较分析。沈阳理工大学学士学位论文神经网络简介神经网络简介神经网络的定义网络，是年由和为首的科学家小组提出，是种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之。网络能学习和存贮大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。神经网络模型拓扑结构包括输入层隐层和输出层。学习算法是训练人工神经网络的基本方法，它也是个非常重要且经典的学习算法，其实质是求解误差函数的最小值问题，利用它可以实现多层前馈神经网络权值的调节。这种学习算法的提出对人工神经网络发展起了很大的推动作用。神经网络的基本原理网络是种多层前馈神经网络，由输入层隐层和输出层组成。图为个典型的三层网络的拓扑结构，层与层之间采用全互连方式，同层之间不存在相互连接,隐层可以有层或多层。层与层之间有两种信号在流通种是工作信号用实线表示，它是施加输入信号后向前传播直到在输出端产生实际输出的信号，是输入和权值的函数。另种是误差信号用虚线表示,网络实际输出与期望输出间的差值即为误差，它由输出端开始逐层向后传播。网络的学习过程程由前向计算过程和误差反向传播过程组成。在前向计算过程中，输入量从输入层经隐层逐层计算，并传向输出层，每层神经元的状态只影响下层神经元的状态。如输出层不能得到期望的输出，则转入误差反向传播过程，误差信号沿原来的连接通路返回，逐次调整网络各层的权值和阈值，直至到达输入层，再重复向计算。这两个过程次反复进行，不断调整各层的权值和阈值，使得网络误差最小或达到度。选择隐藏的图层数和神经元的隐藏图层。隐藏图层和神经元的隐藏图层的选择，是直接影响复杂问题的映射能力的最关键的步。现在可靠的算法从隐藏层和大量的神经元开始,训练和测试,然后增加它们的数量。比较不同训练和测试样本的结果,选择更合适的隐藏层个数及其神经元。在这项研究中,具有不同神经元隐层的三层神经网络用于这次电渗析实验。选择训练样本。网络所需的样本取决于复杂程度的映射关系。般情况下，映射关系越复杂，需要越多训练样本。从所有数据中选择样本时，需要遵守以下原则足够数量的典型的和均匀的。沈阳理工大学学士学位论文基于坚实的理论和严格的推导，然而包括慢收敛偶尔出现的局部极值点，所以训练过程中有许多不足之处。在实际应用中，算法很难是见效，因此人们提出了些改进的算法，以提高预测能力。有几种方法改进的算法，如附加动量方法，自适应学习率方法，灵活的算法等等。算法的训练过程受不当学习速率的影响有慢收敛的缺点。算法中的权值调整取决于学习速率和斜率。在算法中，学习速率是恒定的。事实上，当学习速率较低训练时间变长，收敛变得较慢。当学习率太高，出现了振荡和分歧，这会造成系统不稳定。自适应学习速率的基本原理当学习速率η增加，将造成学习时间缩短学习速率越高，越难收敛。在这种情况，学习速率应该会减少直到训练过程的收敛。可以通过改变误差和斜率，也可以根据误差函数通过改变学习速率梯度调整学习速率。此外，通过探性地进行调整试可能改变总误差，规则如下所示如果的总误差减少，学习速率需要增加。如果的总误差增加，学习速率需要减少。当新误差与原来误差的比值超过个值时，学习速率迅速下降。般来说，用函数来将数据从输入层传递到隐藏层。此外，函数保持无限输入和有限界内输出。当输入大变量时，函数的斜率将接近。即使梯度发生了微妙的变化,这可能引起权值发生巨大的变化,所以权值逐渐倾斜最佳值,甚至使网络权值在修改过程中停止。当训练过程振动时，数量可变的权值将会减少。在几个迭代中权值变化方向保持不变时，可变数量的权值将会增加。因此，灵活的算法在收敛速度上有超越其他改进算法的优势。神经网络和改进的算法的设计中，需要确定四个重要方面神经元传递函数的选择隐藏图层节点的选择学习率增加比率的选择神经网络和改进的算法的泛化测试传递函数用于彼此相邻的两层中的神经元之间的传递。而且这些传递函数必须是可诱导的。神经网络有个或多个隐藏层,隐藏层神经元使用传递函数。输出层神经元使用纯线性传递函数且输出可以是任意值。如果输出层神经元的传递函数是沈阳理工大学学士学位论文传递函数,则整个网络输出会被限制在−,内。传递函数包括和两个函数。对于这两个函数，输入分别映射到,和−,。函数是个单向传递函数。函数是个双向传递函数，并被称为双曲正切函数。在实际应用中，根据输入输出的关系使用个传递函数。如果输入不含负值，所以采纳函数。如果包括负值，则采纳函数。在本文中，隐藏层神经元使用传递函数，输出层神经元用纯线性传递函数。许多学者曾从事研究隐藏层的最佳节点。柯尔莫哥洛夫定理证明，只要个隐层的节点足够多，神经网络的隐藏层可以以任意精度逼近非线性函数。然而，对于个从输入到输出有限的映射，无限多的隐藏层节点是没有必要的。以及如何选择隐藏层节点仍是个尚未解决的问题。隐藏层节点是通过经验和实验设计确定的。般地，基于对输入和输出关系准确的反映，选择个隐藏层的小节点，以保持网络的结构简单。但规模越小的节点，神经网络的泛化能力越糟糕。在相反，如果隐藏层的节点越大，训练过程中的复杂度也会随之升高，那么这种情况将导致过度拟合现象。在设计过程中，许多因素必须结合起来。在具体设计中，首先选择个隐藏层。如果增加隐含层节点无法获得更好的网络，层号和隐藏层节点仍需要添加。灵活的算法是种改进的算法的方法,其预测显然比神经网络更好。在不同的训练参数神经元的传递函数,大量的隐藏层的神经元和学习速率这个条件下讨论研究神经网络和改进的算法的预测能力。我们获得了最优训练参数。本文的隐藏层神经元使用传递函数，并且输出层神经元使用纯线性传递函数。沈阳理工大学学士学位论文附录程序代码网络程序代码清空环境变量训练数据预测数据提取及归化下载输入输出数据找出训练数据和预测数据选取样本输入输出数据归化网络训练初始化网络结构网络训练网络预测预测数据归化沈阳理工大学学士学位论文网络预测输出网络输出反归化结果分析预测输出,期望输出网络预测输出函数输出样本预测误差,网络预测误差误差样本神经网络预测误差百分比沈阳理工大学学士学位论文网络程序代码清空环境变量训练数据预测数据提取及归化下载输入输出数据找出训练数据和预测数据选样本输入输出数据归化网络训练初始化网络结构网络预测预测数据归化网络预测输出网络输出归化沈阳理工大学学士学位论文结果分析预测输出,期望输出网络预测输出函数输出样本预测误差,网络预测误差误差样本神经网络预测误差百分比沈阳理工大学学士学位论文摘要空气质量指数的大小可以用来反应空气质量的好坏，而空气质量指数主要受氧化碳，二氧化氮及二氧化硫等多种污染物的浓度影响，使得空气质量指数问题具有很大的不确定性和定的复杂性。神经网络作为种描述和刻画非线性的强有力工具，具有较强的自学习自组织自适应能力等特点，特别适合于对具有多因素性不确定性随机性非线性和随时间变化特性的对象进行研究。本文基于神经网络算法和算法，利用神经网络工具箱建立空气质量指数模型并对空气质量指数进行预测。计算结果表明和模型应用于大气污染预报具有较高的预测精度和良好的泛化能力，它为信息社会的城市空气污染预报工作提供了种全新的思